Koulutusorganisaatiot eroavat useimmista muista sektoreista siinä, että itse ydintoiminta – opettaminen, ohjaaminen, arvioiminen – on vaikea erottaa niistä ihmisistä, jotka sen suorittavat. Siinä missä tehdas tai kauppa voi kirjoittaa prosessinsa uudelleen vaikuttamatta työn identiteettiin, jokainen muutos koulussa tai korkeakoulussa koskettaa nopeasti opettajan ja opiskelijan välistä suhdetta. Se ei tee alasta hitaampaa tekniikan suhteen, mutta se tekee siitä varovaisemman sen suhteen, mitä AI:n oikeastaan sallitaan tehdä ennen kuin puhutaan 'ottamisesta haltuun'.
Lisäksi koulutuslaitokset koostuvat usein useista kerroksista, joilla ei ole samaa nopeutta: hallitus, useita toimipisteitä tai tiedekuntia, ja suuri joukko opettajia omilla työtavoillaan. Suurin osa AI-aloitteista, joita näemme, alkaa yhdellä näistä kerroksista ottamatta muita kerroksia mukaan. Opettaja kokeilee kielimallia palautteen antamiseen, kun IT-osastolla ei ole käsitystä siitä, mitä dataa tässä yhteydessä poistuu rakennuksesta. Hallitus muotoilee AI-vision, kun oppilashallintajärjestelmien datahallinta nojaa vielä paperiin tai erillisiin taulukkolaskentaohjelmiin. Tämä epäsuhta ei ole haluttomuuden kysymys, vaan järjestyksen kysymys.
Hallituksen jäsen, operatiivinen johtaja tai IT-päällikkö, joka näkee AI-pilottien jäävän jumiin, tunnistaa usein samaa kuviota: pilotti toimii itsessään, mutta ei skaalaudu. Se johtuu harvoin siitä, että tekniikka olisi puutteellista. Useammin puuttuu yksi niistä peruskestävyyden ulottuvuuksista, joita tarvitaan pilotin kantamiseen: organisaatiorakenne, joka pystyy tekemään ja sijoittamaan päätöksiä AI:sta, IT-infrastruktuuri, joka pystyy ottamaan uudet sovellukset turvallisesti käyttöön, ja datahallinta, joka on kunnossa ennen kuin malli voi tehdä sillä mitään järkevää. Vasta kun nämä kolme ovat kunnossa, on mielekästä katsoa riippuvaisia ulottuvuuksia: miten ihmiset työskentelevät sen kanssa, mitä oivalluksia se tuottaa, ja miten älykkäästi organisaatio viime kädessä käsittelee sitä.
Koulutusalalla tämä näkyy vahvemmin kuin muualla, koska peruskestävyyden ulottuvuudet ovat usein historiallisesti kehittyneet pedagogisten valintojen ympärille, ei teknisten. Koulun hallinto on rakennettu vastuun raportoimiseksi tarkastukselle, ei uudelleenkäytettävän datan tuottamiseksi AI-sovelluksiin. IT-osasto on usein pieni ja keskittynyt ylläpitoon, ei uusien järjestelmien integroimiseen. Se ei ole puute, se on eri painotus, joka vahvistettiin vuosikymmeniä sitten ja vaikuttaa nyt siihen, miten nopeasti AI todella juurtuu.
hybridresourcing.com:n mittaus tarkastelee seitsemää ulottuvuutta, jaettuna viiteen tasoon perustasosta älykkyyteen. Koulutuslaitosten kohdalla huomionarvoista on, että pisteet organisaatiossa ja datahallinnassa jäävät usein jälkeen ambitiopisteistä tai yksittäisten sovellusten pisteistä. Usein löytyy jo joku, joka työskentelee AI:n kanssa, joskus jopa edistyneellä tasolla, samalla kun organisaatio kokonaisuutena on vielä ensimmäisellä tasolla päätöksenteon ja datarakenteen suhteen. Tämä hajonta näkyy plot-kierroksessa, jossa useat ihmiset samassa laitoksessa pisteyttävät erikseen. Koulutusorganisaatioissa tämä hajonta on usein keskimääräistä suurempi, juuri siksi, että hallitus, IT ja opetushenkilöstö työskentelevät harvoin samasta lähtökohdasta.
Tämä hajonta ei ole itsessään ongelma. Se on tietoa. Johtaja, joka uskoo organisaation olevan valmis AI:hin laajassa mittakaavassa, ja IT-päällikkö, joka tietää, ettei infrastruktuuri vielä kestä sitä, ovat molemmat oikeassa omasta näkökulmastaan. Mittaus tekee tästä erosta näkyvän, jotta keskustelu voi käsitellä sitä, mitä pitää olla kunnossa ensin, sen sijaan että keskusteltaisiin siitä, kuka on oikeassa.
Seitsemän ulottuvuutta eivät ole ajallisesti samanarvoisia. Organisaatio, IT-infrastruktuuri ja datahallinta ovat ulottuvuuksia, joihin muut neljä nojaavat. Koulu, joka haluaa työskennellä oivalluksen tai älykkyyden parissa datan olematta kunnossa, rakentaa liikkuvalle hiekalle. Tämä pätee koulutuslaitoksiin yhtä lailla kuin vähittäiskauppayrityksiin, jotka kamppailevat vastaavien datahallinnan viivästysten kanssa tai ravintola-alaan, jossa organisaatiorakenteet ovat usein yhtä pirstaloituneita toimipisteiden kesken. Ala vaihtelee, järjestys ei.
Se tekee kysymyksestä 'miten pitkällä olemme' vähemmän pisteytyskysymyksen ja enemmän kysymyksen siitä, mistä perusta puuttuu. Laitos, joka paperilla pisteyttää kunnianhimoisesti AI-käytössä, mutta ei näe omaa IT-infrastruktuuriaan, ei pysty toteuttamaan tätä kunnianhimoa palaamatta ensin perusteisiin. Sitä osoittavat myös laitokset ICT-alalla ja rahoituspalvelualalla: korkea ambitio riippuvaisissa ulottuvuuksissa ei korvaa heikkoa perustaa.
hybridresourcing.com:n kypsyysmittaus on rakenteilla. Kuka haluaa tietää, miten oma laitos pisteytyy seitsemässä ulottuvuudessa, ja miten tämä pisteytys suhteutuu kollegoiden pisteytykseen samassa organisaatiossa, voi ilmoittautua jonotuslistalle. Työkalua ei ole vielä käytettävissä tänään; sen sijaan on selkeä kuva siitä, mitä mittaus tuottaa, kun se on saatavilla.
Tämä sivu käsittelee kysymystä siitä, voiko koulutusorganisaatio kantaa AI:ta: onko perusta kunnossa ennen kuin sen päälle rakennetaan mitään. Toinen kysymys, joka tulee merkitykselliseksi vasta sen jälkeen, on se, mitä AI voi koulutusalalla konkreettisesti ottaa haltuunsa. Siihen on tarkoitettu FTE TO AI:n työscan: se laskee tehtäväkohtaisesti, mikä osa työstä soveltuu AI:n haltuun otettavaksi, riippumatta siitä, onko organisaatio kokonaisuutena tähän jo valmis. Kuka yhdistää molemmat kysymykset, saa näkyviin ei vain mahdollisuudet, vaan myös järjestyksen, jossa ne voivat toteutua.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.